Abnormal production-events recognition of offshore oil and gas wells based on SPC control charts and weighted decision tree
-
摘要:
中国很多海上油田已进入开采中后期，设备设施普遍老化，故障概率加大。由于海上油气井生产维护成本高昂，对油气井潜在故障的准确识别至关重要。通过对标准SPC控制图进行优化，建立适合海上油气井的生产参数预警模型，自动判断海上油气井生产参数异常。同时，结合业务专家经验，提出一种基于加权决策树的组合参数故障诊断模型，预测所发生的故障类型。该预警模型提高了海上油气井故障识别的时效性和准确率。通过在南海西部海域油气井的应用实践，该模型可以缩短措施反应周期至少8.4天，预警成功率91.18%，可见该模型能够实现油气井生产异常和故障的智能识别，保障海上油气井的高产稳产。
Abstract:Many offshore oil fields in China have entered the middle or late stage of exploitation, the equipment and facilities are generally aging, and the breakdown probability is increasing. Due to the high cost of production and maintenance of offshore oil and gas wells, it is very important to identify the potential breakdown of oil and gas wells accurately. By optimizing the standard SPC (statistical process control) chart, we established an appropriate early warning model with production parameter for offshore oil and gas wells, by which to the abnormal production parameters of offshore oil and gas wells can be judged dynamically. At the same time, combined with the business experts experience, we proposed a fault diagnosis model to predict the breakdown types based on weighted decision tree and multi-parameter combination. The early warning model improved the timeliness and accuracy of breakdown identification of offshore oil and gas wells. Application of the model in oil and gas wells in the western South China Sea shortened the response time to the countermeasure by at least 8.4 days, and the success rate of early warning reached 91.18%. Therefore, the model can realize the intelligent identification of oil and gas well production abnormalities and breakdownof oil-and-gas wells, and ensure the high and stable production of offshore oil and gas wells.
-
Key words:
- control charts /
- decision tree /
- parameter abnormality /
- early warning system
-
-
表 1 单参数监控模型设置
Table 1. The model settings of single parameter monitoring
参数 阈值设置 准则设置 预警内容 油压 方法一：UCL=xMPa，LCL=yMPa
方法二：UCL=CL×z1，LCL=CL×z2（x、y为定值，z1、z2为百分数，根据实际情况由现场管理人员设定）准则1-7 上升 准则8-14 下降 准则15和准则18 无规律小幅波动 准则16和准则18 无规律大幅波动 准则15和准则17 周期性小幅波动 准则16和准则17 周期性大幅波动 油压参数专家经验：油压小于或油压大于阈值 油压数据有误 
下载: 导出CSV
表 2 南海西部油田常见故障诊断分类规则
Table 2. Classification rules of common fault diagnosis in west of South China Sea oilfield
分类 电流 油压 井口温度 泵入口压力 泵马达温度 泵入口温度 折算日产液量 供液不足 状态 下降或大幅下降或大幅波动 平稳或下降或大幅波动 下降或大幅下降 下降或上升 上升 上升 下降或大幅下降 条件 因变因素 因变因素 主变因素 先决条件 因变因素 因变因素 因变因素 权值 0.2 0.15 0.25 0.3 0.03 0.03 0.04 管柱漏失 状态 平稳或小幅波动或下降 下降或大幅下降或下降后低位运行 下降或大幅下降或下降后低位运行 平稳或上升或大幅上升 下降或大幅下降 条件 因变因素 因变因素 主变因素 先决条件 因变因素 权值 0.2 0.2 0.25 0.3 0.05
下载: 导出CSV
表 3 2019年南海西部油气田故障预警记录
Table 3. Early warning records in 2019 from the oil and gas fields of the western South China Sea
井名 预警时间 故障名 确认时间 缩短反应周期 预警时产量/（m3/d） 措施名称 措施后产量/（m3/d） 减少损失产量/m3 NH12-1-B26 20190102 管柱漏失 误报 44.7 NH12-2-B14 20190128 供液不足 20190131 3 19 转抽、换层 58 117 ZJ22-1-A1H 201902012 气井见水 20190216 4 5万 调小油嘴 7 80 NH6-9-A17H 20190402 出砂堵塞 误报 27.8 NH11-2-B4H1 20190413 泵机组故障 20190418 5 0 换泵 51 255 NC8-3-A5 20190415 低压低产 20190424 9 0 关井恢复 19 171 NH6-9-A9 20190428 管柱问题 20190507 9 24 37 117 NH12-1-B36 20190509 怀疑供液不足 20190514 5 14.4 补射孔 24.9 52.5 NH6-12-A9 20190512 怀疑管柱漏失 20190516 4 48 提频提液验漏 82 136 NH11-1-A8S2 20190513 油嘴堵塞 20190516 3 35.4 活动油嘴 42.5 21.3 NH12-2-B18 20190516 怀疑管柱漏失 20190523 7 47.83 验漏、保养电泵堵头 70.57 159.18 NC19-1-C1H 20190518 出砂堵塞 20190527 9 33 酸化解堵 40 63 NH6-9-A10 20190606 油井见水 20190610 4 23 28 20 H12-2-B10 20190612 电机温度过高 20190629 17 0 转自喷生产 1.3 22.1 NH12-1-B21Sa 20190616 怀疑脱气影响 20190621 5 17 换层生产 54 185 NC19-1-A4S2 20190617 怀疑电泵故障 20190703 16 119 提高电压档位 145 416 NH11-2-B4H1 20190621 管柱漏失 20190711 20 16 验漏/切换泵 36 400 ZJ22-1-A20H 20190621 井底积液 20190702 11 0 降低管汇压力排液 2 220 ZJ15-1-A3 20190702 天然气组分 20190708 6 18万 调整工作制度生产 23 300 NH11-4N-B3H 20190703 管柱问题 20190711 8 0 验漏/修井 14 112 NC13-1-A7 20190704 出砂 20190711 7 11 化学防砂 17 42 NH12-2-A1 20190813 怀疑管柱问题 20190816 3 14 修井 18 12 NH11-1-A22H 20190819 低压低产 20190828 9 0 关井恢复 10.9 98.1 NH12-1N-A7H 20190827 油井见水 20190907 11 75 0 NH11-1-A18H 20190907 低压低产 20190917 10 0 关井恢复 13.7 137 NH12-2-B20 20190911 脱气影响 20190921 10 133 降频生产 165 320 NH11-1N-A21 20190911 油井见水 20191010 29 85 85 0 NH12-1-A17H2 20190925 管柱漏失 20191010 15 24 验漏/更换新堵头 16 540 NH11-4-A4 20191018 怀疑管柱漏失 20191022 4 67 71 16 NC13-2-A3 20191021 怀疑管柱漏失 20191028 7 21 验漏 21 42 NH12-2-B14 20191111 卡泵 20191117 6 0 固频解卡 0 87 NH11-4N-A9 20191127 油井见水 20191201 4 3.6 11.3 30.8 ZJ15-1-A10H 20191201 出砂 误报 14.6 NH12-1-B12H1 20191201 怀疑管柱漏失 20191203 2 33 验漏/修井 53 40 合计 缩短反应周期：262 d 平均缩短周期：8.4 d 正确预报：31 误报：3 预警准确率：91.18%
下载: 导出CSV
-
[1] 常彦荣,李允,彭炎,等. 油田生产产量监控体系及预警系统[J]. 西南石油学院学报,2006,28(3):34-37.
[2] 蒋能记,韩力,张亚顺,等. 基于实时数据库的油气处理诊断预警系统设计[J]. 石油规划设计,2011,22(4):49-51.
[3] 杜喜昭,石秀华,赵立强. 油田抽油机数据采集实时监控系统[J]. 测控技术,2010,29(9):51-53. doi: 10.3969/j.issn.1000-8829.2010.09.014
[4] 张乃禄,孙换春,郭永宏,等. 基于示功图的油井工况智能分析[J]. 油气田地面工程,2011,30(4):7-9. doi: 10.3969/j.issn.1006-6896.2011.4.003
[5] 魏军. 油田预警分析模型的研究与设计[J]. 电脑知识与技术,2014,10(25):6011-6014. doi: 10.14004/j.cnki.ckt.2014.0295
[6] 汪旭颖. 基于支持向量回归机的油田异常井预警模型研究[D]. 大庆: 东北石油大学, 2015.
[7] 邴绍强. 基于人工智能的抽油机井结蜡预警方法[J]. 石油钻探技术,2019,47(4):97-103. doi: 10.11911/syztjs.2019093
[8] 周临风,冷建成,魏立新. 基于监测数据的油气管道预警技术[J]. 压力容器,2019,36(5):55-60. doi: 10.3969/j.issn.1001-4837.2019.05.009
[9] 田学民,曹玉苹. 统计过程控制的研究现状及展望[J]. 中国石油大学学报(自然科学版),2008,32(5):175-180.
[10] 余忠华,吴昭同. 控制图模式及其智能识别方法[J]. 浙江大学学报(工学版),2001,35(5):521-525.
[11] WESTGARD J O,BARRY P L,HUNT M R,et al. A multi-rule Shewhart chart for quality control in clinical chemistry[J]. Clinical Chemistry,1981,27(3):493-501. doi: 10.1093/clinchem/27.3.493
[12] HOSSAIN A,CHOUDHURY Z A. Statistical process control of an industrial process in real time[J]. IEEE Transactions on Industry Applications,1996,32(2):243-249. doi: 10.1109/28.491471
[13] 林小春,陈向东. 在宝钢炼钢现场使用SPC(统计过程控制)的探讨[J]. 冶金标准化与质量,2001,39(5):29-33. doi: 10.3969/j.issn.1003-0514.2001.05.009
[14] JOHN S. Oakland. Statistical process control（fifth edition）[M]. Oxford: Butterworth-Heinemann, 2003.
[15] 刘非非,周超,李飞,等. 基于SPC控制图原理的接触式突出预测技术[J]. 煤矿安全,2011,42(10):18-21. doi: 10.13347/j.cnki.mkaq.2011.10.038
[16] 沈晓杰,李郡. 基于制造执行系统的统计过程控制在质量管理上的应用[J]. 工业控制计算机,2012,25(9):108-109. doi: 10.3969/j.issn.1001-182X.2012.09.047
[17] 国家质量技术监督局. GB/T 4091-2001 常规控制图[S]. 北京: 中国标准出版社, 2004.
[18] 国家市场监督管理总局, 国家标准化管理委员会. GB/T 17989.2-2020 控制图 第2部分: 常规控制图[S]. 北京: 中国标准出版社, 2020..
[19] WOODALL W H. Controversies contradictions in statistical process control[J]. Journal of Quality Technology, 2000, 32(4): 341-351.
[20] 杨静. 标准差控制图的改进[D]. 秦皇岛: 燕山大学, 2018.
[21] 陈婷婷. 涪陵气田辅助决策系统的生产预警应用[J]. 重庆科技学院学报(自然科学版),2018,20(6):98-101. doi: 10.3969/j.issn.1673-1980.2018.06.023
[22] 韩家炜, Micheline Kamber. 数据挖掘: 概念与技术 [M]. 范明, 等译. 北京: 机械工业出版社, 2001: 188-193.
[23] 杨学兵,张俊. 决策树算法及其核心技术[J]. 计算机技术与发展,2007,17(1):43-45. doi: 10.3969/j.issn.1673-629X.2007.01.015
[24] BANFIELD R E,HALL L O,BOWYER K W. A comparison of decision tree ensemble creation techniques[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2006,29(1):173-180.
[25] 张琼声,陈晓伟,李春华,等. 一种基于属性加权的决策树算法[J]. 微计算机应用,2010,31(1):58-63.
[26] 张毅,梅挺. 基于加权决策树的蛋白质序列分类算法研究[J]. 计算机与数字工程,2012,40(5):7-9. doi: 10.3969/j.issn.1672-9722.2012.05.003
[27] 陈晓琳,李盛乐,刘坚,等. 基于局部加权的决策树算法在孔隙度预测中的应用[J]. 工程地球物理学报,2014,11(5):736-742. doi: 10.3969/j.issn.1672-7940.2014.05.030
[28] 李庆显,赵美刚,张新政,等. 基于工作流技术实现采油异常井管理[J]. 油气田地面工程,2009,28(3):69-70.
[29] 孙钿奇,赵艳霞. 工作流技术在海洋地质资料归档中的应用[J]. 海洋地质前沿,2017,33(012):66-70.
[30] 孙淮宁,胡学钢. 一种基于属性贡献度的决策树学习算法[J]. 合肥工业大学学报:自然科学版,2009,32(8):1137-1141.
[31] CHOI J S,CHOI J Y,CHO Y Y. Context-aware workflow model for supporting composite workflows[J]. Journal of Measurement ence & Instrumentation,2010,1(2):161-165.
[32] 李伟,杨元明. 油井措施增产效果评价方法研究[J]. 科学技术与工程,2012,12(31):8370-8378.
-
图(5)
表(3)
计量
- 文章访问数: 708
- PDF下载数: 35
- 施引文献: 0